一种基于深层脑肌功能耦合的信息展示方法及装置

    公开(公告)号:CN116719411A

    公开(公告)日:2023-09-08

    申请号:CN202310646428.2

    申请日:2023-06-01

    Abstract: 本说明书公开了一种基于深层脑肌功能耦合的信息展示方法及装置,获取设定时间内的脑电信号和肌电信号,并针对该脑电信号进行溯源分析,确定大脑皮层中各功能区域对应的源信号,功能区域对应的源信号用于表征该功能区域的大脑皮层向外发放的信号,而后,根据该设定时间内的肌电信号,确定出运动单元MU向外发放信号的发放时间,并根据发放时间,确定各肌肉表皮位置所接收到的MU发放的源信号,而后,将各功能区域对应的源信号以及各肌肉表皮位置所接收到的MU发放的源信号,输入到非参数耦合模型,以确定出各功能区域对应的源信号与各肌肉表皮位置所接收到的MU发放的源信号之间的相关性,以提高脑肌功能耦合的准确性。

    一种睡眠慢波-纺锤波耦合信号的提取方法、系统及装置

    公开(公告)号:CN115357126B

    公开(公告)日:2023-01-24

    申请号:CN202211276703.8

    申请日:2022-10-19

    Abstract: 本发明公开了一种睡眠慢波‑纺锤波耦合信号的提取方法、系统及装置,包括以下步骤:步骤S1:得到预处理脑电信号;步骤S2:判断存在慢波及纺锤波;步骤S3:确定慢波信号;步骤S4:确定纺锤波信号;步骤S5:遍历步骤S3和步骤S4,获取时间点重合且满足纺锤波信号最大振幅在慢波信号时间点中的慢波与纺锤波,根据慢波和纺锤波的起止时间点来确定慢波‑纺锤波耦合的起止时间点,得到慢波‑纺锤波耦合信号。本发明降低异常数据对慢波‑纺锤波判定的影响;慢波和纺锤波判定采用多重判定机制,提高慢波和纺锤波判定的抗干扰能力;最终慢波‑纺锤波判定中以慢波中检测到最大纺锤波峰值为判定机制,更全面检测慢波与纺锤波在不同相位的耦合。

    一种基于卷积神经网络的EEG信号特征检索方法、装置

    公开(公告)号:CN115337026A

    公开(公告)日:2022-11-15

    申请号:CN202211276168.6

    申请日:2022-10-19

    Abstract: 本发明公开了一种基于卷积神经网络的EEG信号特征检索方法、装置,包括:对待检索的EEG信号数据集预处理;基于卷积神经网络构建特征提取模型;使用特征提取模型对EEG信号进行特征提取,再进行聚类,得到K个聚类中心,并计算每个聚类中心的坐标;计算所有样本与K个聚类中心的欧式距离并排序,得到将第一标签和第二标签,将该标签作为样本构建的索引;对EEG信号数据集中的所有样本构建索引得到索引库;通过索引在索引库中查询待检索的EEG信号数据集中与待查询的目标样本相似的检索结果信号;计算检索结果信号与目标样本的相似度并排序,得到EEG信号特征检索结果。本发明能快速有效地从数据集中检索出相似的信号数据。

    一种抑制医用超声换能器阵列串扰的分时复用方法

    公开(公告)号:CN114631847A

    公开(公告)日:2022-06-17

    申请号:CN202210547899.3

    申请日:2022-05-20

    Abstract: 本发明公开了一种抑制医用超声换能器阵列串扰的分时复用方法,针对超声换能器控制信号布线时的串扰,本发明在印制电路板上根据信号的流向,合理地布线连接接插件以及多路复用芯片,避免了同时有电信号经过的信号线间线距过窄的情况。针对芯片内部的串扰问题,建立布线拓扑策略,将逻辑上相邻的换能器阵元通道进行物理隔离并分别连接到不同的多路复用芯片,从而实现防止串扰的目的。本方法使用有标准连接协议的独立集成电路对信号实现分时复用,为少通道数驱动多阵元序列的超声系统提供解决方法。本方法与超声扫描序列紧密联系,针对特殊的图像成像要求设计布线策略,提高成像质量。

    一种消除脑电信号采集系统多通道增益误差的方法

    公开(公告)号:CN113827249A

    公开(公告)日:2021-12-24

    申请号:CN202111144899.0

    申请日:2021-09-28

    Inventor: 唐弢

    Abstract: 本发明公开了一种消除脑电信号采集系统多通道增益误差的方法,包括依次设置于通道信号流动方向上的采集电极,去耦合输入电容,输入单元,通道内斩波调制,通道间斩波调制,全差分闭环放大器单元,通道间斩波解调制,通道内斩波解调制,低通滤波器和输出单元,所述方法包括通道内斩波调制‑多级通道间斩波调制‑放大‑多级通道间斩波解调制‑通道内斩波解调制‑低通滤波的流程。本发明消除了通道间增益误差,并保证了信号采集精度,避开了放大器中的闪烁噪声。

    一种基于同步采样的斩波噪声消除方法及系统

    公开(公告)号:CN118171045A

    公开(公告)日:2024-06-11

    申请号:CN202410364271.9

    申请日:2024-03-28

    Abstract: 本发明涉及一种基于同步采样的斩波噪声消除方法及系统,该方法包括:基于系统时钟信号,通过分频处理,得到同步的第一时钟信号和第二时钟信号;根据第一时钟信号,针对脑电采集设备采集的信号进行斩波调制,输出得到脑电信号;根据第一时钟信号,对脑电信号进行放大处理后再进行斩波解调制,并返回至原始的脑电信号频段,得到放大脑电信号;根据第二时钟信号,通过模数转换对放大脑电信号进行采样,并转换为离散数字信号输出,得到清晰且没有噪声点的脑电信号。与现有技术相比,本发明能够有效消除脑电信号通过斩波放大器带来的斩波噪声的影响,提高信号的实时性和精度,节省硬件使用面积、功耗和硬件冗余,同时减少对计算能力和存储资源的需求。

    电极及其制备方法和应用
    37.
    发明授权

    公开(公告)号:CN117224129B

    公开(公告)日:2024-03-26

    申请号:CN202311522719.7

    申请日:2023-11-15

    Abstract: 本发明涉及一种电极及其制备方法和应用。电极包括第一水凝胶层、第二水凝胶层和电子导电层,所述第二水凝胶层与电子导电层层叠设置形成复合层,所述第一水凝胶层包裹所述复合层;其中,所述第一水凝胶层包括第一水凝胶基体以及填充于所述第一水凝胶基体中的第一电解液,所述第一水凝胶基体由高分子共聚物、海藻酸钠、明胶和壳寡糖通过分子链交织形成,所述高分子共聚物选自丙烯酸‑异丙基丙烯酰胺共聚物和/或丙烯酰胺‑异丙基丙烯酰胺共聚物。本发明的电极不但具有优异的柔性,可长时间缓释电解液和高电子导电率,同时还有优异的粘弹性和粘性可调性,进而在用于检测运动状态下的脑电信号时,可显著降低运动伪影,提高脑电信号的质量。

    微型化脑电信号放大器及脑机接口芯片系统

    公开(公告)号:CN116942169B

    公开(公告)日:2024-02-02

    申请号:CN202311223540.1

    申请日:2023-09-21

    Abstract: 本申请提供一种微型化脑电信号放大器及脑机接口芯片系统。该放大器包括斩波调制单元、固定增益放大单元及斩波解调制单元。斩波调制单元通过输入电容连接至固定增益放大单元的输入端。斩波调制单元用于将脑电信号进行斩波调制;固定增益放大单元用于将斩波调制后的脑电信号进行放大处理,包括两个晶体管对,其中一个的栅漏极分别连接放大单元的正向输入端和负向输出端,另一个的栅漏极分别连接放大单元的负向输入端和正向输出端。两个晶体管对的栅极和漏极之间的寄生电容分别形成第一和第二反馈电容。斩波解调制单元连接至放大单(56)对比文件赵浩;王宁章.E类射频功率放大器设计.微计算机信息.2009,(第14期),全文.谭晓昀;黄刚;刘晓为.一种用于微加速度计的低输入电容运算放大器.传感器与微系统.2008,(第12期),全文.

    一种慢波神经信号放大电路

    公开(公告)号:CN117017308B

    公开(公告)日:2024-01-23

    申请号:CN202311299004.X

    申请日:2023-10-09

    Abstract: 本申请涉及一种慢波神经信号放大电路,其中,该慢波神经信号放大电路包括:滤波单元和放大单元,滤波单元包括电容和伪电阻;电容的一端作为信号输入端,电容的另一端与伪电阻的第一端以及放大单元的输入端连接,电容将输入信号耦合至放大单元;伪电阻的第二端连接共模电压,伪电阻的第一端与放大单元的输入端连接,为放大单元提供偏置电压;通过设置伪电阻的阻抗值,使得滤波单元的滤波截止频率达到目标值,得到滤波信号,并对滤波信号进行放大。通过本申请,解决了在传统的脑机接口信号采集电路中使用跨接在输入端和输出端的伪电阻的阻抗不稳定的问题,通过采用输入偏置的方法,大幅降低了高通截止频率,有利于慢波神经信号的采集。

    一种基于有监督对比学习的EEG信号分类方法、装置

    公开(公告)号:CN117056788B

    公开(公告)日:2023-12-19

    申请号:CN202311315334.3

    申请日:2023-10-12

    Abstract: 本发明公开了一种基于有监督对比学习的EEG信号分类方法、装置,包括:将EEG信号输入至预先训练的特征提取模型中,得到EEG特征;通过分类器对EEG特征进行分类;其中,特征提取模型的训练过程包括:获取有标签的EEG数据集;截取EEG数据,拥有相同标签的EEG数据样本互为正样本,不同标签的EEG数据样本互为负样本;基于滑动窗对截取的EEG数据样本进行数据增强,得到增强样本;将截取的EEG数据样本和增强样本作为训练集;利用训练集训练特征提取模型,设置损失函数,损失函数用于使负样本特征向量之间的距离逐渐增大,正样本特征向量之间的距离逐渐减小,增强样本特征向量与正样本特征向量之间的距离逐渐减小。

Patent Agency Ranking